基于机器学习的皮肤癌诊断评估
本文研究了实现强健的皮肤病诊断的实用方法,并提出一种以皮损为病变类型标签的自动化诊断系统作为目标的方法,并应用卷积神经网络(CNNs)来实现疾病定向诊断和病变定向分类的分类器,并采用来自六个公开皮肤病学大全的75665个皮肤病图像来进行训练与测试,结果证明基于病变定向分类的分类器的效果优于疾病定向的分类器。
Dec, 2018
本研究提出了一种高效有效的算法,可以自动标记皮肤损伤图像的肤色,并将其用于注释基准ISIC数据集以减少皮肤色调偏差。实验结果证明,皮肤色调检测算法优于现有解决方案,取消偏见可以提高普适性,并减少轻重肤色间的黑色素瘤检测性能差异。
Feb, 2022
本文介绍了一种基于深度学习的公平皮肤病诊断框架FairDisCo,通过对比学习和删除敏感属性等方法,有效解决了现有模型对较暗皮肤图像的低准确度问题。在两个新的皮肤数据集Fitzpatrick17k和Diverse Dermatology Images上的评估表明,FairDisCo在公平性和性能方面的表现均优于其他三种公平性方法。
Aug, 2022
本论文提出了一种基于CIRCLe的深度表示学习算法,通过添加正则化损失函数实现在皮肤类型不同的图像表现出相似的潜在表示,从而提高皮损分类的公平性,并在16k+张图像上进行了评估和消融研究,证明了其在使用分类准确性,对浅色与深色人群的平等机会差异和标准化准确性范围(一种新的公平性评估方法)上优于现有技术水平的表现。
Aug, 2022
深度学习诊断系统在标注训练样例充足时,已展示出在分类皮肤癌症状况方面的潜力。然而,皮损分析经常面临标注数据稀缺的问题,阻碍了准确可靠的诊断系统的开发。在本研究中,我们利用多个皮损数据集,并探讨了各种无监督领域自适应(UDA)方法在二元和多类别皮损分类中的可行性。特别是,我们评估了三种UDA训练方案:单一来源,综合来源和多来源。我们的实验结果表明,UDA在二元分类中效果显著,当减少不平衡时,进一步提高。在多类别任务中,其性能不太明显,并且需要解决不平衡问题以实现高于基准的准确性。通过我们的定量分析,我们发现多类别任务的测试误差与标签偏移强相关,而特征级UDA方法在处理不平衡数据集时存在局限性。最后,我们的研究揭示了UDA可以有效减少对少数群体的偏见,并促进公平,即使不明确使用面向公平的技术。
Jul, 2023
通过在皮肤病分类图像中考虑皮肤色调差异来解决公平性问题是至关重要的,然而公共数据集中缺乏皮肤色调标签导致无法构建公平的分类器。目前,这些皮肤色调标签的估计是在独立研究中使用个体类型角度(ITA)进行公正性分析之前进行的。本文回顾并比较了四种基于ITA的皮肤色调分类方法在ISIC18数据集上的应用,该数据集是评估皮肤癌分类公平性的常用基准。我们的分析揭示了先前发表的研究中存在较大分歧,从而展示了基于ITA的皮肤色调估计方法存在的风险。此外,我们调查了这些方法之间差异如此之大的原因,并发现ISIC18数据集中缺乏多样性,限制了其作为公平性分析测试平台的使用。最后,我们建议进一步研究鲁棒的ITA估计方法和带有肤色注释的多样性数据集采集,以促进对皮肤科人工智能工具的公平评估。我们的代码可在此https URL访问。
Aug, 2023
黑色素瘤是皮肤癌症中最严重的一种,深度神经网络在临床护理和皮肤癌症诊断方面表现出巨大潜力,但现有研究主要依赖白人肤色的数据集,忽视了多样人群肤色的诊断结果。本研究评估了有监督和自监督模型在黑人手掌、脚底和指甲等黑人肌肤部位的皮损图像中的性能,并且利用Fitzpatrick皮肤色表确保对黑人肌肤的性能。结果显示这些模型的普适性差,表现良好的是对白人肌肤的皮损,缺乏多样化数据集的开发是不可接受的,深度神经网络在改善诊断方面有着巨大潜力,特别是对于接触有限的人群,但包括黑人皮损是必要的,以确保这些人群能够获得包容性技术的好处。
Sep, 2023
通过研究肤色对皮肤疾病检测性能的影响以及肤色差异与病变区域之间的色差对恶性检测的作用,我们提出了一种量化色差分数的方法并应用于多种皮肤疾病数据集。观察到高和低色差差异组之间的性能差距,这一差异在各种图像分类模型中一致存在,从而验证了我们的假设。此外,我们还研究了肤色和色差效应之间的相互作用,并提出色差可能是肤色性能偏差的另一个原因。我们的工作为改善皮肤疾病检测提供了一个补充角度。
Jan, 2024
基于深度学习模型的皮肤疾病诊断中,为了解决公平性问题且不损害预测准确性,我们提出了一种基于两个偏倚的教师模型的方法,通过权重损失函数进行偏倚与去偏倚的训练,提高了模型的准确度和公平性。
May, 2024